Maschinelles Lernen in der aerodynamischen Formoptimierung

Maschinelles Lernen (ML) wird zunehmend eingesetzt, um die aerodynamische Formoptimierung (ASO) zu unterstützen, dank der Verfügbarkeit aerodynamischer Daten und kontinuierlicher Entwicklungen im Bereich des tiefen Lernens. Wir überprüfen die Anwendungen von ML in ASO bis heute und geben eine Perspektive auf den aktuellen Stand der Technik und zukünftige Richtungen. Zunächst führen wir die konventionelle ASO und aktuelle Herausforderungen ein. Anschließend stellen wir die Grundlagen des ML vor und detaillieren ML-Algorithmen, die in der ASO erfolgreich waren. Dann überprüfen wir die ML-Anwendungen zur ASO und behandeln drei Aspekte: kompakten geometrischen Entwurfsraum, schnelle aerodynamische Analyse und effiziente Optimierungsarchitektur. Neben einer umfassenden Zusammenfassung der Forschung kommentieren wir die Praktikabilität und Effektivität der entwickelten Methoden. Wir zeigen, wie moderne ML-Ansätze die ASO unterstützen und anspruchsvolle Anforderungen, wie die interaktive Entwurfsoptimierung, erfüllen können. Praktische großflächige Entwurfsoptimierungen bleiben eine Herausforderung aufgrund der hohen Kosten des ML-Trainings. Weitere Forschungen zur Verknüpfung der ML-Modellkonstruktion mit vorheriger Erfahrung und Wissen, wie zum Beispiel physikinformiertes ML, werden empfohlen, um großflächige ASO-Probleme zu lösen.